Human Brain Project und Intel arbeiten zusammen, um Neuromorphic-Technologie voranzutreiben

Ein Team von Forschern im Human Brain Project (HBP) arbeitet mit Intel (INTC ) zusammen, um die Neuromorphic-Technologie voranzutreiben und künstliche Intelligenz (KI) näher an die Energieeffizienz des menschlichen Gehirns heranzubringen. Neuromorphic-Technologie ist für große tiefe Lernnetzwerke im Vergleich zu anderen KI-Systemen energieeffizienter.

Forscher im HBP und Intel führten eine Reihe von Experimenten durch, um diese Effizienz zu demonstrieren. Die Experimente umfassten einen neuen Intel-Chip, der auf Neuronen ähnlich denen im menschlichen Gehirn basiert. Dies war das erste Mal, dass solche Ergebnisse demonstriert wurden.

Die Forschung wurde in Nature Machine Intelligence veröffentlicht.

Intels Loihi-Chips

Die Gruppe konzentrierte sich auf Algorithmen, die mit zeitlichen Prozessen arbeiten, und das System musste Fragen zu einer zuvor erzählten Geschichte beantworten, während es die Beziehungen zwischen Objekten oder Personen aus dem Kontext verstand. Die Hardware bestand aus 32 Loihi-Chips, die Intels neuronale Forschungschips sind.

Phillip Plank ist Doktorand am Institut für Theoretische Informatik der TU Graz und Mitarbeiter bei Intel.

“Unser System ist hier zwei- bis dreimal wirtschaftlicher als andere KI-Modelle”, sagt Plank.

Plank glaubt, dass mit der Einführung der neuen Loihi-Generation weitere Effizienzgewinne erzielt und energieintensive Chip-zu-Chip-Kommunikation verbessert werden können. Messungen zeigten, dass der Verbrauch 1000-mal effizienter war, da keine erforderlichen Aktionspotentiale zwischen den Chips gesendet werden mussten.

Die Gruppe reproduzierte eine angenommene Methode des menschlichen Gehirns.

Wolfgang Maass ist Philipp Planks Doktorvater und Professor emeritus am Institut für Theoretische Informatik.

“Experimentelle Studien haben gezeigt, dass das menschliche Gehirn Informationen für eine kurze Zeit auch ohne neuronale Aktivität speichern kann, nämlich in sogenannten ‘internen Variablen’ von Neuronen”, sagt Maass. “Simulationen deuten darauf hin, dass ein Ermüdungsmechanismus einer Teilmenge von Neuronen für diese Kurzzeitgedächtnis essentiell ist.”

Verbindung von Deep-Learning-Netzwerken

Um dies zu erreichen, verbinden die Forscher zwei Arten von Deep-Learning-Netzwerken. Die feedback-basierten neuronalen Netzwerke sind für das “Kurzzeitgedächtnis” verantwortlich, und rekurrente Module filtern mögliche relevante Informationen aus dem Eingabesignal und speichern sie. Ein feed-forward-Netzwerk bestimmt, welche der gefundenen Beziehungen für die Lösung der aktuellen Aufgabe wichtig sind. Beziehungen, die bedeutungslos sind, werden gefiltert, und die Neuronen feuern nur in den Modulen, in denen relevante Informationen gefunden wurden. Dieser gesamte Prozess führt zu dramatischen Energieeinsparungen.

Steve Furber ist Leiter der HBP-Abteilung für neuromorphe Rechnertechnik und Professor für Computer-Ingenieurwesen an der University of Manchester.

“Dieser Fortschritt bringt das Versprechen von energieeffizienter, ereignisbasierter KI auf neuromorphen Plattformen einen wichtigen Schritt näher zur Umsetzung. Der neue Mechanismus ist gut geeignet für neuromorphe Rechnersysteme wie Intels Loihi und SpiNNaker, die in der Lage sind, multi-kompartimentale Neuronenmodelle zu unterstützen”, sagte Furber.